了解Beautiful Soup
Beautiful Soup 是一个可以从html或XML文件中提取数据的Python库.它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式
安装
-
beautifulsoup4
>: pip install beautifulsoup4
-
解析器
Beautiful Soup支持Python标准库中的HTML解析器,还支持一些第三方的解析器,其中一个是 lxml .根据操作系统不同,可以选择下列方法来安装lxml: $ apt-get install Python-lxml $ easy_install lxml $ pip install lxml 另一个可供选择的解析器是纯Python实现的 html5lib , html5lib的解析方式与浏览器相同,可以选择下列方法来安装html5lib: $ apt-get install Python-html5lib $ easy_install html5lib $ pip install html5lib
下表列出了主要的解析器,以及它们的优缺点,官网推荐使用lxml作为解析器,因为效率更高. 在Python2.7.3之前的版本和Python3中3.2.2之前的版本,必须安装lxml或html5lib, 因为那些Python版本的标准库中内置的HTML解析方法不够稳定.
| 解析器 | 使用方法 | 优势 | 劣势 |
|---|---|---|---|
| Python标准库 | BeautifulSoup(markup, "html.parser") |
|
|
| lxml HTML 解析器 | BeautifulSoup(markup, "lxml") |
|
|
| lxml XML 解析器 |
BeautifulSoup(markup, ["lxml", "xml"]) BeautifulSoup(markup, "xml") |
|
|
| html5lib | BeautifulSoup(markup, "html5lib") |
|
|
使用
案例目标页面代码
html_doc = """ <html><head><title>The Dormouse‘s story</title></head> <body> <p class="title"><b>The Dormouse‘s story</b></p> <p class="story">Once upon a time there were three little sisters; and their names were <a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>, <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>; and they lived at the bottom of a well.</p> <p class="story">...</p> """
from bs4 import BeautifulSoup # 实例化BeautifulSoup, 将目标页面代码和解析器传入 soup = BeautifulSoup(html_doc, "lxml") # 使用lxml解析器,,容错率高
基础使用
from bs4 import BeautifulSoup soup = BeautifulSoup(html_doc, "lxml") res = soup.prettify() # 美化页面代码 print(res)
遍历文档树
接通过标签名字选择，特点是选择速度快，但如果存在多个相同的标签则只返回第一个
#1、用法 #2、获取标签的名称 #3、获取标签的属性 #4、获取标签的内容 #5、嵌套选择 #6、子节点、子孙节点 #7、父节点、祖先节点 #8、兄弟节点
from bs4 import BeautifulSoup soup = BeautifulSoup(html_doc, "lxml") # soup = BeautifulSoup(open(‘a.html‘), ‘lxml‘) # 1.用法 # 存在多个相同的标签则只返回第一个 print(soup.p) # <p class="title"><b>The Dormouse‘s story</b></p> # 2、获取标签的名称 print(soup.p.name) # p # 3、获取标签的属性 print(soup.p.attrs) # {‘class‘: [‘title‘]} # 4、获取标签的内容 # p内的文本只有一个时，取到，否则为None print(soup.p.string) # The Dormouse‘s story # 拿到一个生成器对象, 取到p下所有的文本内容 print(soup.p.strings) # <generator object _all_strings at 0x0000023916778938> # 取到p下所有的文本内容 print(soup.p.text) # 去掉空白 for line in soup.stripped_strings: print(line) ‘‘‘ 如果tag包含了多个子节点,tag就无法确定 .string 方法应该调用哪个子节点的内容, .string 的输出结果是 None，如果只有一个子节点那么就输出该子节点的文本，比如下面的这种结构，soup.p.string 返回为None,但soup.p.strings就可以找到所有文本 <p id=‘list-1‘> 哈哈哈哈 <a class=‘sss‘> <span> <h1>aaaa</h1> </span> </a> <b>bbbbb</b> </p> ‘‘‘ # 5、嵌套选择 # head标签内的title标签内的文本 print(soup.head.title.string) # The Dormouse‘s story # body标签内的a标签内的文本 print(soup.body.a.string) # Elsie # 6、子节点、子孙节点 # p下所有子节点 print(soup.p.contents) # [<b>The Dormouse‘s story</b>] # 包含p下所有子节点 print(soup.p.children) # <list_iterator object at 0x000001FD5E4DF320> for i, child in enumerate(soup.p.children): print(i, child) # 0 <b>The Dormouse‘s story</b> # 获取子孙节点,p下所有的标签都会选择出来 print(soup.p.descendants) # for i, child in enumerate(soup.p.descendants): print(i, child) # 7、父节点、祖先节点 # 获取a标签的父节点 print(soup.a.parent) # 找到a标签所有的祖先节点，父亲的父亲，父亲的父亲的父亲... print(soup.a.parents) # 8、兄弟节点 print(soup.a.next_sibling) # 下一个兄弟 print(soup.a.previous_sibling) # 上一个兄弟 print(list(soup.a.next_siblings)) # 下面的兄弟们=>生成器对象 print(soup.a.previous_siblings) # 上面的兄弟们=>生成器对象
搜索文档树
五种过滤器: #1.字符串、 #2.正则表达式、 #3.列表、 #4.True、 #5.方法
from bs4 import BeautifulSoup soup=BeautifulSoup(html_doc,‘lxml‘) # 1、字符串：即标签名 print(soup.find_all(name=‘b‘)) # [<b>The Dormouse‘s story</b>] # print(soup.find_all(‘b‘)) # .2、正则表达式 import re #找出b开头的标签，结果有body和b标签 print(soup.find_all(re.compile(‘^b‘))) # 3、列表：如果传入列表参数,Beautiful Soup会将与列表中任一元素匹配的内容返回.下面代码找到文档中所有<a>标签和<b>标签: print(soup.find_all([‘a‘,‘b‘])) # 4、True：可以匹配任何值,下面代码查找到所有的tag,但是不会返回字符串节点 print(soup.find_all(True)) for tag in soup.find_all(True): print(tag.name) # 5、方法:如果没有合适过滤器,那么还可以定义一个方法,方法只接受一个元素参数 ,如果这个方法返回 True 表示当前元素匹配并且被找到,如果不是则反回 False def has_class_but_no_id(tag): return tag.has_attr(‘class‘) and not tag.has_attr(‘id‘) print(soup.find_all(has_class_but_no_id))
find_all方法的参数: #1.name #2.attrs , #3.recursive , #4.text , #5.**kwargs
2.1、name: 搜索name参数的值可以使任一类型的 过滤器 ,字符窜,正则表达式,列表,方法或是 True . print(soup.find_all(name=re.compile(‘^t‘))) #2.2、keyword: key=value的形式，value可以是过滤器：字符串 , 正则表达式 , 列表, True . print(soup.find_all(id=re.compile(‘my‘))) print(soup.find_all(href=re.compile(‘lacie‘),id=re.compile(‘d‘))) #注意类要用class_ print(soup.find_all(id=True)) #查找有id属性的标签 # 有些tag属性在搜索不能使用,比如HTML5中的 data-* 属性: data_soup = BeautifulSoup(‘<div data-foo="value">foo!</div>‘,‘lxml‘) # data_soup.find_all(data-foo="value") #报错：SyntaxError: keyword can‘t be an expression # 但是可以通过 find_all() 方法的 attrs 参数定义一个字典参数来搜索包含特殊属性的tag: print(data_soup.find_all(attrs={"data-foo": "value"})) # [<div data-foo="value">foo!</div>] #2.3、按照类名查找，注意关键字是class_，class_=value,value可以是五种选择器之一 print(soup.find_all(‘a‘,class_=‘sister‘)) #查找类为sister的a标签 print(soup.find_all(‘a‘,class_=‘sister ssss‘)) #查找类为sister和sss的a标签，顺序错误也匹配不成功 print(soup.find_all(class_=re.compile(‘^sis‘))) #查找类为sister的所有标签 #2.4、attrs print(soup.find_all(‘p‘,attrs={‘class‘:‘story‘})) #2.5、text: 值可以是：字符，列表，True，正则 print(soup.find_all(text=‘Elsie‘)) print(soup.find_all(‘a‘,text=‘Elsie‘)) #2.6、limit参数:如果文档树很大那么搜索会很慢.如果我们不需要全部结果,可以使用 limit 参数限制返回结果的数量.效果与SQL中的limit关键字类似,当搜索到的结果数量达到 limit 的限制时,就停止搜索返回结果 print(soup.find_all(‘a‘,limit=2)) #2.7、recursive:调用tag的 find_all() 方法时,Beautiful Soup会检索当前tag的所有子孙节点,如果只想搜索tag的直接子节点,可以使用参数 recursive=False . print(soup.html.find_all(‘a‘)) print(soup.html.find_all(‘a‘,recursive=False)) ‘‘‘ 像调用 find_all() 一样调用tag find_all() 几乎是Beautiful Soup中最常用的搜索方法,所以我们定义了它的简写方法. BeautifulSoup 对象和 tag 对象可以被当作一个方法来使用,这个方法的执行结果与调用这个对象的 find_all() 方法相同,下面两行代码是等价的: soup.find_all("a") soup("a") 这两行代码也是等价的: soup.title.find_all(text=True) soup.title(text=True) ‘‘‘
find_all() 方法将返回文档中符合条件的所有tag,尽管有时候我们只想得到一个结果.比如文档中只有一个<body>标签,那么使用 find_all() 方法来查找<body>标签就不太合适, 使用 find_all 方法并设置 limit=1 参数不如直接使用 find() 方法.下面两行代码是等价的: soup.find_all(‘title‘, limit=1) # [<title>The Dormouse‘s story</title>] soup.find(‘title‘) # <title>The Dormouse‘s story</title> 唯一的区别是 find_all() 方法的返回结果是值包含一个元素的列表,而 find() 方法直接返回结果. find_all() 方法没有找到目标是返回空列表, find() 方法找不到目标时,返回 None . print(soup.find("nosuchtag")) # None soup.head.title 是 tag的名字 方法的简写.这个简写的原理就是多次调用当前tag的 find() 方法: soup.head.title # <title>The Dormouse‘s story</title> soup.find("head").find("title") # <title>The Dormouse‘s story</title>
CSS选择器(******)
该模块提供了select方法来支持css,详见官网:https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html#id37
# 1、CSS选择器 # 2、获取属性 # 3、获取内容
html_doc = """ <html><head><title>The Dormouse‘s story</title></head> <body> <p class="title"> <b>The Dormouse‘s story</b> Once upon a time there were three little sisters; and their names were <a href="http://example.com/elsie" class="sister" id="link1"> <span>Elsie</span> </a> <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>; <div class=‘panel-1‘> <ul class=‘list‘ id=‘list-1‘> <li class=‘element‘>Foo</li> <li class=‘element‘>Bar</li> <li class=‘element‘>Jay</li> </ul> <ul class=‘list list-small‘ id=‘list-2‘> <li class=‘element‘><h1 class=‘yyyy‘>Foo</h1></li> <li class=‘element xxx‘>Bar</li> <li class=‘element‘>Jay</li> </ul> </div> and they lived at the bottom of a well. </p> <p class="story">...</p> """ from bs4 import BeautifulSoup soup=BeautifulSoup(html_doc,‘lxml‘) #1、CSS选择器 print(soup.p.select(‘.sister‘)) print(soup.select(‘.sister span‘)) print(soup.select(‘#link1‘)) print(soup.select(‘#link1 span‘)) print(soup.select(‘#list-2 .element.xxx‘)) print(soup.select(‘#list-2‘)[0].select(‘.element‘)) #可以一直select,但其实没必要,一条select就可以了 # 2、获取属性 print(soup.select(‘#list-2 h1‘)[0].attrs) # 3、获取内容 print(soup.select(‘#list-2 h1‘)[0].get_text())
修改文档树
总结
#1、推荐使用lxml解析库 #2、讲了三种选择器:标签选择器,find与find_all，css选择器 1、标签选择器筛选功能弱,但是速度快 2、建议使用find,find_all查询匹配单个结果或者多个结果 3、如果对css选择器非常熟悉建议使用select #3、记住常用的获取属性attrs和文本值get_text()的方法